Saltar al contenido
Cursos

Ciencia de datos geográficos

Ilustración de Un capitán de quince años, de Julio Verne. En este curso compartiremos y discutiremos mapas, muchos mapas. Fuente: WikiCommons.

La ciencia de datos permite obtener valor de los datos (genera insights, define nuevas preguntas, apoya la toma de decisiones, entre otras maneras) pero, ¿qué desafíos enfrenta el o la data scientist cuando los datos tienen componentes geográficas? Muchas veces los modelos o métodos que se emplean tienen supuestos que la geografía rompe, como la autocorrelación espacial. En este curso haremos un recorrido práctico construyendo un proyecto de ciencia de datos que incorpora la componente geográfica en cada etapa: desde el planteamiento del problema hasta la transferencia de los resultados.

Clases

Cada clase de cátedra tiene su tarjeta. Las que ya tienen slides enlazan a la presentación; las que dicen “en preparación” todavía no.

Introducción a GDS
Semana 1. Qué distingue a la ciencia de datos geográficos de la ingeniería y la exploración de datos, y qué trade-offs traen las trazas digitales frente a los datos tradicionales.
Geografía, cartografía y espacialidad
Semana 2. Por qué la posición en el espacio no es un atributo más, cómo el tipo de mapa y la proyección cambian lo que se lee en los datos, y cómo representar las relaciones espaciales.
Planteamiento de proyectos
Semana 3. Cómo estructurar una propuesta que parta del problema y no de la solución, y la diferencia entre iterar por aprendizaje e iterar por falta de dirección.
Análisis exploratorio espacial
Semana 5. Cómo medir si un fenómeno está concentrado o disperso (Moran’s I), cómo identificar las zonas que forman esa concentración (LISA) y qué significa aquí la significancia estadística.
Regresión
Semana 6. Cómo incorporar la autocorrelación espacial en un modelo (Spatial Lag y Spatial Error), coeficientes que varían con la geografía (GWR) y el modelo de gravedad.
En preparación
XGBoost con variables geográficas y SHAP
Semana 7. Clasificación con gradient boosting sobre datos geográficos, con interpretabilidad de la clasificación.
En preparación
Métodos gaussianos para Machine Learning espacial
Semana 8. Interpolación espacial con estimación de incertidumbre.
En preparación
Simulated Annealing para asignación espacial
Semana 9. El problema de asignación sobre datos censales.
En preparación
Redes urbanas
Semana 10. La red de calles como grafo: estructura topológica, centralidad y fragmentación.
En preparación
Flujos OD y accesibilidad urbana
Semana 11. Matrices origen-destino y medidas de accesibilidad.
En preparación
Clustering espacial
Semana 12. Por qué el clustering clásico produce grupos geográficamente incoherentes, cómo DBSCAN y HDBSCAN encuentran concentraciones sin asumir su número, y cómo SKATER garantiza contigüidad.
En preparación
Análisis espacio-temporal
Semana 13. Cómo representar y comparar la distribución de un fenómeno en distintos momentos.
En preparación
Ética, sesgos y diferencias
Semana 14. Dónde se introducen sesgos en cada etapa del pipeline, por qué los datos de movilidad invisibilizan a ciertos grupos y qué responsabilidad cabe frente a los resultados.
En preparación
Transferencia y adopción
Semana 15. Por qué un proyecto de GDS termina cuando la contraparte lo incorpora a su práctica, y qué condiciones técnicas hacen posible esa adopción.
En preparación

Código y herramientas

Los scripts de cada clase están en gds-course-materials. Se apoyan en chiricoca, un módulo de Python para visualización y análisis geoespacial construido sobre matplotlib. No está en PyPI: se instala desde el repositorio.

Última actualización
Computación gráfica y modelamiento